Résumé
Pour les cliniciens, diagnostiquer et traiter des pathologies cérébrales représente un enjeu fondamental afin d’améliorer la qualité de vie des patients et de réduire l’impact économique sur le système de santé. Le diagnostic précoce de maladies neurologiques, en particulier des maladies neurodégénératives est crucial pour adapter les soins. Dans le cadre de cette thèse, nous nous intéressons aux signaux neurophysiologiques acquis via une interface cerveau-ordinateur. Les signaux neurophysiologiques sont des signaux à composant aléatoire, dont l’acquisition peut être perturbée par différents types de bruits et artefacts. Plus précisément, nous nous focaliserons sur les signaux issus de l’électroencéphalographie (EEG) pour répondre à des problématiques neuroscientifiques. Par exemple, l’EEG est aujourd’hui couramment utilisée dans l’exploration clinique des pathologies cérébrales ou des maladies neurodégénératives comme la démence. Actuellement, l’intelligence artificielle ouvre de nouvelles voies pour l’analyse de ces données médicales complexes. Si l’activité cérébrale est facilement enregistrée avec l’EEG grâce à des électrodes apposée sur le scalp de la personne, la lecture de ces enregistrements reste néanmoins un processus chronophage et fastidieux pour les experts du domaine, ce qui rend l’analyse manuelle impraticable. Par conséquent, de nombreuses méthodes basées sur l’apprentissage automatique ont été proposées pour le diagnostic automatisé des états mentaux ou des maladies neurologiques à partir de données EEG. Cependant, les méthodes actuelles basées sur l’extraction manuelle des caractéristiques de signaux EEG présentent certaines limites. Compte tenu de la nature complexe des signaux EEG, l’utilisation de méthodes basées sur l’apprentissage profond semble une solution adéquate et prometteuse pour surmonter ces obstacles, grâce à leur capacité à extraire automatiquement les caractéristiques pertinentes de ces données. Dans ce travail de thèse, nous avons développé des modèles d’apprentissage profond pour l’analyse des données EEG, afin de suivre et de caractériser des états cérébraux chez des personnes en bonne santé, avec une application clinique potentielle pour le diagnostic précoce de maladies neurodégénératives, notamment la démence. Dans un premier temps, avant de chercher à identifier des anomalies spécifiques chez des patients présentant des troubles neurologiques, nous avons cherché à comprendre la dynamique cérébrale des signaux EEG chez des sujets sains au repos ou soumis à des tâches cognitives simples. Cette première étape nécessite un modèle précis et fiable, capable de différencier différents états cérébraux. Une fois cette classification validée, elle peut être utilisée pour détecter des patterns anormaux dans les signaux EEG des patients facilitant ainsi un diagnostic précoce. Dans cette optique, une première étude a eu pour objectif de développer des méthodes de classification EEG pour discriminer les effets de tâches cognitives chez des sujets sains en utilisant un modèle de réseau de neurones peu profond. Une deuxième étude a cherché à adapter cette approche à un système réduit à une seule électrode EEG, ce qui constitue une solution plus confortable pour surveiller l’activité cérébrale. Une troisième étude a consisté à généraliser le modèle développé dans la première étude pour la détection précoce de la démence. Enfin, une quatrième et dernière étude a consisté à collecter un ensemble de données multimodales et à le rendre public afin de contribuer au développement de méthodes d’analyse des données cérébrales dans des tâches cognitives, motrices et cognitivo-motrices à des fins cliniques et non-cliniques.